阿里達摩院開源腹部CT通用AI，可識別146種病症
nashnova research
達摩院開源通用醫療影像模型DAMO RADAR，一次讀取腹部增強CT即可識別18個器官、146種病症，論文登上《Science》正刊——這意味著通用影像AI從實驗室概念走向了可部署的開源工具。
這個模型做了甚麼，為何稱得上「通用」？
DAMO RADAR是一個視覺-語言模型（用CT影像和臨床文字報告配對訓練的AI），能同時掃查18個腹部器官、覆蓋146種臨床發現，包括多種惡性腫瘤。
這意味著→ 它不是只找一種癌症的專病模型，而是一次掃描、全面排查——達摩院稱其為「全球首個專家級通用醫療影像模型」。
在近3.9萬次真實檢查中，平均AUC（衡量診斷準確率的指標，滿分1.0）達到0.913。簡單來說＝每100次判斷裡，模型區分「有病」和「無病」的能力已非常接近頂尖醫生。
它是怎樣學會「像醫生一樣讀片」的？
達摩院算法專家張建鵬長期在醫院觀察醫生讀片，發現關鍵動作不是「一眼看完整個腹部」，而是按器官逐一排查。
RADAR的架構直接模仿了這個動作：將腹部拆成不同解剖單元，令每個器官與報告裡的對應描述對齊，再比較正負提示詞與影像的相似度，生成熱力圖（一張用顏色標出風險區域的圖）提示醫生。
這反映出一個設計取捨——此前的視覺-語言模型用「全局視角」看腹部CT，效果不理想，因為腹部結構複雜、病灶稀疏，模型容易走捷徑，關鍵異常被淹沒。按器官拆解後，問題迎刃而解。
同真人醫生比較，水平如何？
在與14家醫院、26名影像科醫生的對比中，RADAR平均準確率超過其中23名，僅弱於3名資深醫生。
在27,267例急診CT測試中，面對17種常見急腹症，平均AUC仍達0.904；8家外部醫療中心的回顧性驗證中，平均AUC約0.895。
輔助閱片實驗顯示：AI幫助醫生將防漏診能力提升10%，平均閱片時間縮短30.7%。這意味著→ 它最大的價值不是替代醫生，而是幫醫生「又快又少漏」。
一線醫生點睇？AI是工具還是拐杖？
浙大一院放射科主任肖文波指出，該院一日有四五千例CT，腹部CT一例資深醫生需20至30分鐘——「如果在我們醫院腹部CT都是很困難的問題，那普通醫院應該更難。」
但她同時提出隱憂：年輕醫生借助AI可以寫出接近資深醫師水平的報告，「但把AI一撤掉之後，又變成了年輕醫生的水平」。
她設想的使用順序是：醫生先獨立判斷 → AI複核 → 醫生再對比分析，將AI作為帶教工具而非替代工具。說白了＝先自己做題，再看答案，而不是直接抄答案。
同達摩院之前的專病模型是甚麼關係？
RADAR並非此前DAMO PANDA（胰腺癌）、GRAPE（胃癌）、COCA（結直腸癌）、EAGLE（食管癌）等專病模型的簡單合併。
專病模型從平掃CT中尋找特定癌症早期信號，適合無症狀人群篩查；RADAR面對的是增強CT，目標是同時掃查多個器官、大量異常。這意味著→ 兩者定位不同：一個是「體檢時順帶查」，一個是「有症狀後全面排查」。
達摩院算法專家張靈表示，RADAR的能力「還未被完全挖掘，還有可能隨著Scaling Law進一步上升」。
開源之後，離真正進醫院還有多遠？
代碼已上傳GitHub，論文發表於《Science》正刊，外部機構的部署門檻大幅降低。
但目前RADAR僅完成回顧性實驗（用已有數據驗證），尚未進入前瞻性臨床試驗（在真實診療流程中實時驗證）。
這反映出通用影像AI當前的核心懸念：回顧性數據表現亮眼，但能否在前瞻性試驗中維持，才是真正落地的關鍵驗證節點。簡單來說＝實驗室考試考得好，還得看真上考場的成績。
市场有风险，内容仅供研究参考，不构成投资建议。